| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 课题的研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 国外研究现状 | 第8-9页 |
| 1.2.2 国内研究现状 | 第9-10页 |
| 1.3 论文主要研究内容 | 第10页 |
| 1.4 论文的行文安排 | 第10-11页 |
| 第二章 理论基础 | 第11-25页 |
| 2.1 深度学习理论介绍 | 第11-15页 |
| 2.1.1 神经网络基础 | 第11-13页 |
| 2.1.2 反向传导算法 | 第13-14页 |
| 2.1.3 稀疏自编码 | 第14-15页 |
| 2.2 图像特征描述介绍 | 第15-19页 |
| 2.2.1 颜色特征描述 | 第16-17页 |
| 2.2.2 纹理特征描述 | 第17-18页 |
| 2.2.3 形状特征描述 | 第18-19页 |
| 2.3 多尺度分解方法理论 | 第19-21页 |
| 2.3.1 多尺度图像特征提取 | 第20页 |
| 2.3.2 多尺度分解方法 | 第20-21页 |
| 2.3.3 图像的多尺度空间表达 | 第21页 |
| 2.4 支持向量机分类器介绍 | 第21-24页 |
| 2.4.1 SVM算法 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于多尺度深度网络模型的场景分析研究 | 第25-36页 |
| 3.1 问题提出 | 第25页 |
| 3.2 卷积神经网络结构 | 第25-26页 |
| 3.2.1 卷积层 | 第25-26页 |
| 3.2.2 下采样层 | 第26页 |
| 3.3 基于多尺度深度网络模型的场景分析 | 第26-31页 |
| 3.3.1 网络模型描述 | 第27页 |
| 3.3.2 多尺度分解 | 第27-28页 |
| 3.3.3 低层特征提取网络结构 | 第28-29页 |
| 3.3.4 局部精化网络结构 | 第29页 |
| 3.3.5 训练网络 | 第29-30页 |
| 3.3.6 场景标注预测 | 第30-31页 |
| 3.4 实验与分析 | 第31-35页 |
| 3.4.1 数据与实验环境 | 第31-32页 |
| 3.4.2 网络参数设定 | 第32-33页 |
| 3.4.3 实验结果与分析 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于多尺度图像分割和有效匹配核的场景分析研究 | 第36-46页 |
| 4.1 问题提出 | 第36页 |
| 4.2 基于多尺度图像分割和有效匹配核的场景分析 | 第36-41页 |
| 4.2.1 模型结构描述 | 第36-37页 |
| 4.2.2 图像特征提取 | 第37-38页 |
| 4.2.3 转移合并特征到超像素 | 第38-40页 |
| 4.2.4 多尺度层次分割 | 第40-41页 |
| 4.2.5 分类超像素 | 第41页 |
| 4.3 实验与分析 | 第41-45页 |
| 4.3.1 实验数据 | 第41页 |
| 4.3.2 实验结果与分析 | 第41-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 主要结论与展望 | 第46-48页 |
| 5.1 主要结论 | 第46页 |
| 5.2 展望 | 第46-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第52页 |